AI ワークフロー自動化の実践：n8n + Agent を基礎から使いこなす

毎日 80〜100 通のメールを処理する必要があり、その大半は繰り返しの問い合わせです。注文状況、返金申請、製品の使い方。1 通ごとに手作業で 2〜3 分かかり、1 日で 4 時間以上になります。

その後、n8n で自動化チケット処理フローを組みました。メールが届く - AI が意図を分析 - 自動分類 - ナレッジベースから答えを検索 - 返信ドラフトを生成。この一連の流れが通ると、人は確認と送信だけで済み、1 通あたりの処理時間は 3 分から 30 秒に短縮されました。これが AI ワークフロー自動化の威力です。今日はこの n8n というツールが、どうやって Agent 的な発想で自動化フローを組むのを助けてくれるのか、そして Zapier や Make とどう違うのかを語ります。

AI ワークフローツール全体比較

まずは市場でよく見かけるいくつかのツールを紹介し、考えを整理しましょう。

Zapier はおそらく最も多くの人に知られている自動化プラットフォームです。最大の売りは 6000 以上の連携があることで、思いつくほとんどのサービスに対応しています。マウスを数回クリックするだけで 2 つのアプリをつなげられます。たとえば新着メールを受け取ったら自動で Notion に保存、新規注文があれば Slack に通知、といった具合です。

しばらく使ってみました。体験はどうかというと、すぐに使い始められますが、AI の能力はやや弱いです。「AI Actions」機能は簡単なテキスト処理しかできず、業務ロジックを本当に理解させたい? それは難しいです。もう一つは価格で、タスク数による課金なので、高頻度のワークフローがあると請求がかなり厳しくなります。

Make（旧 Integromat）は別の道を行きます。ビジュアルエディタの出来がとても美しく、複雑な分岐判定やループに対応し、フローチャートのようなものを描けます。問題は学習曲線が異常なほど急なことです。自動化を専門にしている友人がいるのですが、彼は Make を 2 か月学んでようやくコツをつかんだと言っていました。

技術者で、時間をかけて掘り下げる気があるなら、Make の柔軟性は確かに高いです。ですが、ただ手早く AI ワークフローを組みたいだけなら? その画面に挫折させられるかもしれません。

n8n が私の最終的に選んだツールです。オープンソース、セルフホスト可能、AI Agent をネイティブにサポート。この 3 つの特徴が、私の悩みをまさに突いてくれました。

n8n を選んだ理由はシンプルです。手元に機密性のある顧客データがあり、他人のクラウドに置きたくなかったからです。Docker ならコマンド 1 つで起動できます：

docker run -it --rm --name n8n -p 5678:5678 -v ~/.n8n:/home/node/.n8n n8nio/n8n

起動したら localhost:5678 を開くと、ビジュアルエディタが現れます。画面は Make よりずっとすっきりしていて、ノードをドラッグして線でつなぐだけでフローを組めるので、初心者にやさしいです。

n8n AI Agent コア機能の詳細

n8n の AI 能力はどこから来ているのでしょうか。基盤に使われているのは LangChain フレームワークです。以前 LangChain を触ったことがあれば、すぐに馴染めるはずです。

Vultr - 高性能NVMeクラウドサーバー、世界32拠点、Dockerワンクリック展開対応

価格を見る →広告

AI Agent ノード

これが n8n の最も核となる機能です。1 つの AI Agent ノードは「賢い頭脳」に相当し、入力内容に応じて何をすべきかを自動で判断します。

設定画面では 3 つを選ぶ必要があります：

1. 大規模モデル：OpenAI、Anthropic（Claude）、Google Gemini に対応し、ローカルモデルの接続も可能
2. メモリ：Agent に文脈を覚えさせる。シンプルなウィンドウメモリとベクトルデータベース保存に対応
3. ツール：Agent が呼び出せる能力。HTTP リクエスト、データベース照会、メール送信など

私は普段 Claude 3.5 Sonnet をメインモデルに使っています。推論能力が GPT-4o より安定しているからです。価格はというと、実はどちらも大差なく、いずれも token 課金です。

ツール呼び出しの仕組み

頭脳があるだけでは足りません。「手を動かせる」ようにする必要があります。n8n には数多くのツールノードが組み込まれています：

• HTTP Request：任意の API を呼び出す
• Database：MySQL、PostgreSQL を照会する
• Code：JavaScript/Python を直接書いて実行する

自分でツールを定義することもできます。たとえば、Agent に社内のナレッジベースを照会させたいなら、HTTP Request で自社の API を呼べばよいわけです。

ツール呼び出しのロジックはこうです。Agent がまずユーザーの入力を分析し、どのツールが必要かを判断し、実行して結果を受け取り、次のステップを決めます。この一連の流れは自動で、あなたはツールを定義しておくだけで済みます。

Human-in-the-loop

この機能には何度も助けられました。

あるとき、顧客のクレームに自動返信するワークフローを組んだのですが、AI が怒っている顧客のメールを「普通の問い合わせ」と理解し、標準テンプレートで返信してしまいました。顧客はさらに怒りました。

その後、Human-in-the-loop ノードを追加しました。ロジックはこう変わります。AI がまずドラフトを生成し、私のメールに送って確認させ、私が「同意」をクリックして初めて実際に送信される。人によるレビューが 1 段増えますが、ずっと安全になりました。

自動返金やデータベース変更といった機微な業務を扱うなら、この仕組みを加えることを強くおすすめします。

マルチ Agent 連携

複雑なタスクは Agent 1 つだけでは対応しきれないことがあります。n8n はマルチ Agent のオーケストレーションに対応し、基盤には LangGraph が使われています。

たとえば、ある Agent はメールの意図分析を担当し、別の Agent はナレッジベースの照会を、3 つ目は返信生成を担当します。3 つの Agent がそれぞれの役割を果たし、最後に結果を集約します。

設定は少し複雑ですが、公式テンプレートライブラリにすでに参考になる実例があります。まずは単一 Agent から始め、慣れてからマルチ Agent に挑戦することをおすすめします。

MCP 連携 — Claude が n8n を直接操作する

この部分が、私が最も面白いと感じているところです。

MCP（Model Context Protocol）は Anthropic が打ち出したプロトコルで、簡単に言えば AI ツール同士が互いに「会話」できるようにするものです。Claude に一言伝えるだけで、Claude が n8n で定義済みのワークフローを直接呼び出せます。

🔥 需要のない製品に3ヶ月も無駄にするな！少額の予算で Adsterra を使い、SaaS の訴求を今すぐ検証 ➡️

今すぐ検証 →広告

設定手順

n8n はあるバージョンから MCP Server 機能を内蔵しています。設定はいくつかのステップに分かれます：

ステップ 1：Claude に公開したいワークフローを n8n で作成します。各ワークフローは 1 つの「ツール」と理解できます。

ステップ 2：n8n の設定で MCP 関連のオプションを見つけ、API Key を生成します。

ステップ 3：Claude Desktop または Cursor の設定ファイルに n8n MCP Server を追加します：

{
  "mcpServers": {
    "n8n": {
      "command": "npx",
      "args": ["-y", "@n8n/mcp-server-n8n"],
      "env": {
        "N8N_API_URL": "http://localhost:5678",
        "N8N_API_KEY": "生成したキー"
      }
    }
  }
}

ステップ 4：Claude Desktop を再起動します。これで Claude に「n8n のメール処理ワークフローを実行して」と直接伝えれば、自動的に呼び出してくれます。

実際の使用シーン

私は毎朝出社して最初にすることが、Claude に「データ集計」ワークフローを走らせてもらうことです。いくつかのデータソースから昨日のデータを取得し、レポートにまとめて私のメールに送ってくれます。

以前は n8n の画面を開き、そのワークフローを探して実行をクリックする必要がありました。今では一言で済みます。

もう一つのシーンはデバッグです。新しいワークフローを組むとき、Claude にノード設定をチェックしてもらいます。ワークフローの定義を読み取り、どこに問題がありそうかを教えてくれます。自分でノードを 1 つずつ調べるよりずっと速いです。

実践事例 — AI カスタマーサポートの自動チケット処理

概念の話はこのくらいにして、実際の事例を見てみましょう。

これは以前、ある EC 企業のために構築したカスタマーサポート自動化システムです。彼らは毎日およそ 200 通のサポートメールを受け取り、もともと 3 人のサポート担当が手作業で処理し、平均応答時間は 2 時間でした。

業務フロー設計

まず処理フローを整理します：

1. メールが届く - 重要情報を抽出（注文番号、問い合わせ種別）
2. AI が意図を分析 - 分類（配送/返金/製品問い合わせ/クレーム）
3. 分類に応じて対応するシステムを照会（配送システム/注文システム/ナレッジベース）
4. 返信ドラフトを生成 - 人によるレビュー - 送信

ここで注意すべき点があります。ステップ 3 では分類に応じて異なる分岐を通る必要があります。返金系は注文システムを照会し、配送系は配送 API を照会し、製品問い合わせ系はナレッジベースを検索します。

n8n ワークフローの設定

n8n では次のようなフローを組みました：

Email Trigger -> AI Agent（意図分析）-> Switch（分岐判定）
    |
    |-- 返金分岐 -> 注文システム照会 -> 返金処理の提案を生成
    |-- 配送分岐 -> 配送API照会 -> 配送状況の返信を生成
    |-- 問い合わせ分岐 -> ナレッジベース検索 -> 標準回答を生成
    |-- クレーム分岐 -> 人による対応（承認フローへ）
    |
合流 -> Human-in-the-loop（人による確認）-> メール送信

AI Agent ノードの Prompt はこう書きました：

KiloClaw - 企業向けマネージド OpenClaw、AI エージェントのオーケストレーションとスマートルーティングを加速

今すぐ始める →広告

あなたはカスタマーサポートメールの分類アシスタントです。ユーザーのメールを分析し、次の情報を抽出してください：
1. 注文番号（あれば）
2. 問い合わせ種別：返金/配送/問い合わせ/クレーム
3. 緊急度：高/中/低
4. 感情：怒り/不満/中立

JSON 形式で出力してください。

ナレッジベースにはシンプルな Notion データベースを使い、よくある質問の標準回答を保存しています。n8n には Notion の公式連携ノードがあり、照会がとても簡単です。

効果データ

リリースから 1 か月後に集計してみました：

• 平均応答時間：2 時間から 5 分に短縮（応答速度が 96% 向上）
• サポート人員：3 人から 1 人に削減（残り 2 人は複雑な問い合わせ対応に異動）
• 顧客満足度：78% から 89% に向上

もちろん、つまずいた点もあります。たとえば AI が皮肉を称賛と理解し、返信がまったく的外れになることがありました。その後、Prompt に「皮肉のニュアンスを認識すること」と一文加えると、かなり改善しました。

もう一つの問題は返金処理です。最初は返金を全自動で処理させたところ、抜け穴を突かれました。商品が届いていないと偽ってメールを送る人がいて、AI が自動で返金してしまったのです。その後、検証ステップを追加しました。100 元を超える返金は必ず人によるレビューを通すようにしました。

まとめ

ここまで語ってきた要点を整理します。

AI ワークフローツールを選ぶなら、このシンプルな判断基準を覚えておきましょう。データが機密でセルフホストしたい - n8n、すぐ使いたく費用を気にしない - Zapier、複雑なロジックで学習を厭わない - Make。

n8n の AI Agent 機能はすでにかなり成熟しており、見せかけだけの機能ではありません。LangChain による基盤、マルチモデル対応、整ったツール呼び出しの仕組み、Human-in-the-loop による安全の担保。これらはいずれも実務にとても実用的です。

MCP 連携は加点要素です。Claude が n8n ワークフローを直接呼び出せるので、Web を開いてボタンを押す手間が省けます。設定は少し面倒ですが、整えれば体験はとても良くなります。

最後にいくつか行動のアドバイスを：

1. まず動かす：Docker で n8n を一発起動し、30 分かけて画面に慣れる
2. シンプルから始める：いきなりマルチ Agent 連携をやらず、まずは単一 Agent のフローを組む
3. テンプレートライブラリを活用する：n8n の公式には 900 以上のテンプレートがあり、多くはそのまま使える
4. セキュリティに注意する：機微な操作には必ず Human-in-the-loop を入れる

質問があれば n8n の Discord コミュニティで聞くとよいでしょう。活発です。私自身も学び続けているので、新しい実践があればまた共有します。